— (721)

دانشكده مهندسـي
پايان‌نامه كارشناسي ارشد در رشته مهندسي کامپيوتر (هوش مصنوعی)
ارائه یک شاخص نوین برای سنجش سطح خستگی مغزی در حین فعالیت ذهنی از روی سیگنال EEG
توسط:
سمانه کوچکی
استاد راهنما:
دكتر رضا بوستانی
شهریور 1390

-508994302691
به نام خدا
ارائه یک شاخص نوین برای سنجش سطح خستگی مغزی در حین فعالیت ذهنی از روی سیگنال EEG
به وسيله‌ي:
سمانه کوچکی
پايان نامه
ارائه شده به تحصيلات تكميلي دانشگاه به عنوان بخشي
از فعاليت‏هاي تحصيلي لازم براي اخذ درجه كارشناسي ارشد

در رشته:
مهندسي کامپيوتر- هوش مصنوعی
از دانشگاه شيراز
شيراز
جمهوري اسلامي ايران
ارزيابي شده توسط كميته پايان نامه با درجه : عالی
دكتر رضا بوستانی، استادیار بخش مهندسي و علوم کامپيوتر . . . . . . . . . . . . . . . . . . . .
دكتر رضا ثامنی، استادیار بخش مهندسي و علوم کامپيوتر . . . . . . . . . . . . . . . . . . . . . .
دكتر مهرزاد بیغش، دانشیار بخش مهندسي و علوم کامپيوتر . . . . . . . . . . . . . . . . . . . .
شهریور ماه 1390
تقدیم به پدر و مادر عزیزم
سپاسگزاري
با سپاس فراوان از استاد ارجمندم جناب آقای دکتر بوستانی که با درایت، علم و تجربه خویش من را در طول انجام این پایان نامه راهنمایی کردند و همچنین تمام کسانی که به نحوی در این پایان نامه به من کمک کردند.
چکيده
ارائه یک شاخص نوین برای سنجش سطح خستگی مغزی در حین فعالیت ذهنی از روی سیگنال EEG
به وسيله‌ي:
سمانه کوچکی
در سال‌های اخیر، روش‌های زیادی تلاش به بررسی میزان خستگی ذهنی با معیارهای متفاوتی کرده‌اند. این روش‌ها مقیاس‌های متفاوتی را برای این کار از جمله عملکرد و اندازه گیری‌های مبتنی بر الکتروفیزیولوژیک به کار گرفته‌اند. در میان این ابزار‌ها به نظر می رسد که الکتروانسفالوگرام (EEG) بهتر و دقیق تر از دیگر ابزارها عمل می کند. با این حال، بیشتر یافته های تحقیقاتی انجام شده در مورد تغییرات EEG در رابطه با خستگی دارای محدودیت‌های متفاوت و همچنین گاهی اوقات نتایج متناقض هستند. در نتیجه برای تشخیص بهتر خستگی از روی سیگنال EEG نیاز به به بررسی بیشتر آن می باشد.
بیشتر این روش‌ها دارای بعد ویژگی استخراج شده بالا هستند و در نتیجه برای کاهش این بعد و همچنین افزایش دقت نیاز به روش‌های کاهش بعد دارند. همچنین صحت این روش‌ها به روش کاهش بعد استفاده شده و تعداد ویژگی‌های استفاده شده در آن‌ها بستگی دارد. علاوه بر این، این روش‌ها بیشتر به بررسی خستگی ذهنی در چند حالت محدود پرداخته‌اند. در نتیجه ما برای افزایش سرعت و دقت بررسی خستگی ذهنی در اینجا به بررسی اثر خستگی بر قدرت و مکان منابع مغزی پرداخته‌ایم. با کمک این روش سعی در کاهش پیچیدگی محاسباتی روش‌های پیشین شده است. همچنین ما به بررسی پیوسته خستگی ذهنی نیز پرداخته‌ایم. علاوه بر این، در این پایان نامه هم از سیگنال های واقعی ثبت شده از افراد مختلف و هم از سیگنال شبیه سازی شده برای نشان دادن درستی روش پیشنهادی استفاده شده است و ما نشان دادیم که این روش بهتر از روش‌های قبلی عمل می کند.
فهرست مطالبعنوانصفحه
فصل اول: مقدمه…………………………………………………………………………………………………………………….. 1
1-1- مقدمه …………………………………………………………………………………………………………………………….. 2
1-2- تعریف مسئله …………………………………………………………………………………………………………………… 3
1-3- نگاهی به فصول پایان نامه…………………………………………………………………………………………………….. 4
فصل دوم: پیشینه تحقیقات……………………………………………………………………………………………………… 6
2-1- روش‌های موجود برای تشخیص خستگی ………………………………………………………………………………. 9
2-1-1- روش‌های مبتنی بر تحلیل طیف سیگنال EEG …………………………………………………….. 9
2-1-2- روش‌های مبتنی بر تحلیل تغییرات در آنتروپی سیگنال EEG …………………………………. 12
2-1-3- روش‌های مبتنی بر تحلیل نظم منطقی بین نواحی مختلف مغز………………………………… 14
2-1-4- روش‌های مبتنی بر دادن تحریک به فرد در حین فعالیت…………………………………………. 15
2-2- تاریخجه و نحوه ثبت سیگنال EEG…………………………………………………………………………………………………….. 16
2-3- جمع بندی ……………………………………………………………………………………………………………………………………………… 20
فصل سوم: روش تحقیق…………………………………………………………………………………………………………… 21
3-1- مقدمه ……………………………………………………………………………………………………………………………….. 22
3-2- نویزهای سوار شده بر روی سیگنال EEG و نحوه کاهش اثر آن‌ها …………………………………………….. 23
3-2-1- امواج ناخواسته زیستی ………………………………………………………………………………………. 23
3-2-2- امواج ناخواسته محیطی ……………………………………………………………………………………… 24
3-2-1- پیش پردازش …………………………………………………………………………………………………… 24
3-3- مدل سیگنال ……………………………………………………………………………………………………………………… 24
3-4- انتخاب الکترود مرجع ………………………………………………………………………………………………………….. 26
3-5- مشخص کردن تعداد منابع تولید کننده سیگنال ……………………………………………………………………… 27
3-6- مکان یابی در فضای پرتوسازی ……………………………………………………………………………………………… 30
3-6-1- فیلتر کردن فضایی با محدودیت کمترین واریانس…………………………………………………… 31
3-6-2- مشکل روش LCMV………………………………………………………………………………………….. 35
عنوانصفحه
3-6-3- روش پیشنهادی برای مکان یابی …………………………………………………………………………. 36
3-7- محاسبه همبستگی در سیگنال EEG …………………………………………………………………………………….. 38
3-8- ویژگی استفاده شده برای تشخیص خستگی …………………………………………………………………………… 40
3-9- روش‌های کلاسه بندی استفاده شده …………………………………………………………………………………….. 40
3-9-1- ماشین بردار پشتیبان ………………………………………………………………………………………… 40
3-9-2- k نزدیک ترین همسایه ………………………………………………………………………………………. 42
3-10- روش‌های مقایسه شده با روش پیشنهادی……………………………………………………………………………… 42
3-10-1- آنتروپی تقریبی ………………………………………………………………………………………………. 43
3-10-2- کولموگروف آنتروپی…………………………………………………………………………………………. 44
3-10-3- تجزیه و تحلیل بردار اصلی به همراه کرنل ………………………………………………………….. 45
3-10-4- مدل مخفی مارکوف…………………………………………………………………………………………. 45
3-10-5- روش اراﺋﻪ شده توسط لیو و همکارانش ………………………………………………………………. 46
3-10-6- روش اراﺋﻪ شده توسط شن و همکارانش …………………………………………………………….. 46
3-10-7- توموگرافی الکترومغناطیسی با رزولوشن پایین …………………………………………………….. 47
3-10-8- توموگرافی الکترومغناطیسی استاندارد با رزولوشن پایین ………………………………………. 48
3-11- جمع‌بندی ……………………………………………………………………………………………………………………….. 49
فصل چهارم: آزمایش‌ها و نتایج …………………………………………………………………………………………………… 50
4-1- مقدمه ……………………………………………………………………………………………………………………………….. 51
4-2- شبیه سازی سیگنال EEG برای مشخص کردن دقت مکان‌یابی ……………………………………………….. 52
4-3- سیگنال EEG ثبت شده برای بررسی میزان خستگی ………………………………………………………………. 53
4-4- شبیه سازی سیگنال EEG برای بررسی میزان خستگی ……………………………………………………………. 57
4-5- نتایج …………………………………………………………………………………………………………………………………. 59
4-5-1- مقایسه روش مکان یابی پیشنهادی و LCMV ………………………………………………………. 59
4-5-2- بررسی خستگی به کمک داده های ثبت شده EEG………………………………………………. 60
4-5-2-1- بررسی مکان و قدرت منابع در حالت خسته و نرمال……………………………… 60
4-5-2-2- بررسی ویژگی پیشنهادی در کلاسه‎بندی حالت‌ها…………………………………. 62
4-5-2- بررسی خستگی به کمک سیگنال شبیه‌سازی شده…………………………………………………. 67
4-6- جمع‌بندی ………………………………………………………………………………………………………………………….. 70
فصل هفتم: نتیجه گیری و پیشنهادات ……………………………………………………………………………………71
فهرست منابع ………………………………………………………………………………………………………………………… 74

فهرست جداول
عنوان و شماره صفحه
59 جدول 4-1) مقایسه میزان خطا بین روش پیشنهادی و روش LCMV …………………………………………………………
63 جدول 4-2) صحت به دست آمده توسط روش پیشنهادی در کلاسه بندی‌های 1NN و SVM……………………..
63 جدول 4-3) صحت به دست آمده توسط لیو و همکارانش………………………………………………………………………………..
64 جدول 4-4) صحت به دست آمده توسط شن و همکارانش……………………………………………………………………………………..
65 جدول 4-5) مقایسه بین پیچیدگی استخراج ویژگی روش‌های مختلف ………………………………………………………….
67 جدول 4-6) خطای مکان‌یابی برای روش های مختلف بر روی قسمت‌های مختلف سیگنال که از ابتدا سیگنال شبیه سازی شده انتخاب شده‌اند…………………………………………………………………………………………………..
68 جدول 4-7) خطای مکان‌یابی برای روش های مختلف بر روی قسمت‌های مختلف سیگنال که از وسط سیگنال شبیه سازی شده انتخاب شده‌اند…………………………………………………………………………………………………..
68 جدول 4-7) خطای مکان‌یابی برای روش های مختلف بر روی قسمت‌های مختلف سیگنال که از وسط سیگنال شبیه سازی شده انتخاب شده‌اند…………………………………………………………………………………………………..
68 جدول 4-9) انحراف معیار و میانگین خطای مکان یابی برای روش های مختلف بر روی قسمت های مختلف سیگنال شبیه سازی شده……………………………………………………………………………………………………………….

فهرست شکل ها
عنوان صفحه
شکل2-1) انتخاب بهترین ویژگی‌ها در روشی مبتنی بر طیف سیگنال…………………………………………………. 11
شکل 2-2) مقایسه پارامترهای ApEn و KC برای دو باند فرکانسی آلفا و بتا و در دو حالت قبل و بعد از خستگی……………………………………………………………………………………………………………………………………………………. 13
شکل 2-3) نظم منطقی بین 59 الکترود…………………………………………………………………………………………………… 16
شکل 2-4) مکان الکترودها که با اسم هر الکترود مشخص شده است ……………………………………………………. 19
شکل 3-1) فیلتر مکانی در الگوریتم‌های پرتوسازی………………………………………………………………………………….. 31
شکل 3-2) استفاده از فیلتر مکانی تقریباً بهینه………………………………………………………………………………………… 34
شکل 4-1) مکان منبع فرض شده برای شبیه سازی سیگنال EEG……………………………………………………….. 52
شکل 4-2) نمونه‌ای از سیگنال EEG فرد قبل از خسته شدن ………………………………………………………………. 55
شکل 4-3) نمونه‌ای از سیگنال EEG فرد پس از خسته شدن……………………………………………………………….. 55
شکل 4-4) نمونه ای از سیگنال EEG پیش پردازش شده فرد قبل از خسته شدن………………………………. 56
شکل 4-5) نمونه ای از سیگنال EEG پیش پردازش شده فرد پس از خسته شدن ………………………………. 56
شکل 4-6) نمونه ای از نویز EOG اضافه شده به داده‌های شبیه سازی شده…………………………………………. 58
شکل 4-7) مکان متوسط قوی‌ترین منبع برای یک فرد در حالت خسته و نرمال……………………………………. 61
شکل 4-8) قدرت متوسط ​​منابع برای 17 شرکت کننده در ثبت سیگنال در هر دو سطح خسته و غیر خسته……………………………………………………………………………………………………………………………………………………………… 62
شکل 4-9) نمایش جعبه‌ای برای مقایسه بین صحت، ویژگی و حساسیت روش‌های مختلف ………………….. 65
شکل 4-10) میزان خستگی به دست آمده توسط روش پیشنهادی …………………………………………………………. 70
فصل اول
1- مقدمهمقدمه خستگی پدیده ای رایج در زندگی روزمره ماست. یک تعریف مشترک از خستگی این است که خستگی حالتی است که به دنبال یک بازه از فعالیت ذهنی یا بدنی ایجاد می‌شود که توسط کاهش در توانایی برای کار کردن مشخص می‌شود.
اولین بار مفهوم خستگی ذهنی توسط گرندجین معرفی شد [1]، که به وضوح خستگی ذهنی را از خستگی فیزیکی متفاوت کرد. او خستگی بدنی را در اثر کاهش عملکرد سیستم عضلانی و خستگی ذهنی را با کاهش عملکرد ذهنی و احساس خستگی تعریف کرد.
خستگی دارای پیامدهای عمده ای در تلفات جاده و در حال حاضر یکی از مساﺋﻞ عمده در صنعت حمل و نقل است. با توجه به کار های اولیه در این مورد، خستگی راننده 35-45 درصد از تصادفات جاده را تشکیل می داده است [2]. علاوه بر این خستگی باعث کاهش کارایی ذهنی خصوصاً در افراد متخصصی که در حین کار فعالیت ذهنی بسیار بالایی دارند (برنامه نویسان حرفه‌ای کامپیوتر و طراحان سیستم‌های صنعتی که در قسمت‌های R&D شرکت‌ها کار می‌کنند) و همچنین باعث افزایش زمان پاسخ گویی در افراد می‌شود. در نتیجه علاوه بر اثراتی که خستگی ذهنی بر پایین آمدن کارایی افراد در موقعیت‌های شغلی مختلفی دارد، می‌تواند عامل مهمی در تصادفات جاده‌ها و سنجش کارایی افراد در کارخانجات باشد. در نتیجه، از آنجا که با خسته شدن، فرد در اجرای کار با قدرت عملکرد کافی دچار مشکل می‌شود و با توجه به رابطه‌ای که خستگی در افزایش احتمال تصادفات در جاده‌ها و کارخانجات دارد [3 و 4]، مشخص کردن میزان خستگی فرد، در کاهش چنین تصادفاتی و همچنین افزایش قدرت عملکرد افراد ضروری به نظر می‌رسد. در نتیجه ما در این تحقیق به بررسی خستگی ذهنی پرداخته‌ایم (در ادامه خستگی به معنی خستگی ذهنی استفاده شده است).
تعریف مسئله
از زمان تعریف خستگی تاکنون، در زمینه تشخیص میزان خستگی روش‌های متفاوتی مورد بررسی قرار گرفته است. در بین این روش‌ها، به نظر می‌رسد سیگنال ثبت شده از فعالیت الکتریکی مغز(EEG) مشخص کننده بهتری از میزان خستگی است و قدرت پیش‌بینی بیشتری در تشخیص خستگی مغزی دارد [5].
EEG در اصل به عنوان یک روش برای تحقیق در مورد فرایندهای مختلف ذهنی ارائه شد. اولین ثبت فعالیت الکتریکی مغز از مغز خرگوش و میمون توسط کاتون در سال 1875 گزارش شد [6]، اما سال 1929 بود که هانس برگر [7] اولین اندازه گیری از فعالیت‌های الکتریکی مغز را در انسان گزارش کرد. پس از آن، این سیگنال در تشخیص‌های کاربردی به ویژه بیماری‌های مختلف به کار برده شد. از آنجا که به طور گسترده‌ای پذیرفته شده است که تغییرات مشخصه در شکل موج EEG و باندهای قدرت آن را می‌توان برای مشخص کردن انتقال از هوشیاری به خواب و مراحل مختلف خواب مورد استفاده قرار داد [8]، EEG به عنوان یک استاندارد برای اندازه گیری سطح هوشیاری و خواب آلودگی مشاهده شده است. در نتیجه از سیگنال EEG به عنوان یک روش استاندارد برای مشخص کردن سطح خستگی استفاده می‌شود.
با این حال، تفاوت‌های قابل توجهی در میان الگوریتم‌های فعلی تشخیص خستگی بر اساس EEG وجود دارد. مطالعات قبلی نشان داده است که ارتباط بین تغییرات EEG و میزان خستگی به نوع کار و حالت شخص بستگی دارد. این مطالعات هم در ماهیت الگوریتم برای تشخیص خستگی و هم مکان و تعداد الکترود‌ها برای ثبت سیگنال متفاوت هستند [9]. علاوه بر این تمام این الگوریتم‌ها با محدودیت‌های متفاوتی رو به رو هستند. به طور مثال بسیاری از این روش‌ها نیاز به روش‌های برای کاهش بعد فضای ویژگی‌های استخراج شده دارند تا دقت روش‌های خود را افزایش دهند. در نتیجه هدف از انجام این پایان نامه تشخیص میزان خستگی به کمک روشی است که نیاز به کاهش بعد داده‌ها نداشته و همچنین اثر خستگی را بر فعالیت‌های مغزی مشاهده کند. در نتیجه ما از روش‌های مکان یابی منابع برای رسیدن به این هدف استفاده کرده‌ایم.
در زمینه مکان یابی کانون‌ها در مغز روش‌های متفاوتی وجود دارد که درسال‌های اخیر این رویکردها سعی در بالا بردن صحت و افزایش نسبت سیگنال به نویز نتایج مکان یابی کرده‌اند. از جمله این روش‌ها می‌توان به پرتوسازی اشاره کرد [10] که در آن با کمک فیلتر کردن داده‌های به دست آمده از الکترودهای مختلف، سعی در پیدا کردن جهت و مکان کانون‌های تولید کننده این سیگنال‌ها داریم.
در این پایان نامه برای مشخص کردن میزان خستگی ابتدا به مکان یابی کانون‌ها خواهیم پرداخت، سپس با استخراج ویژگی‌های مختلف سعی در مشخص کردن میزان خستگی خواهیم کرد. برای تست روش پیشنهادی هم از سیگنال‌های ثبت شده از افراد مختلف استفاده می‌کنیم و هم از سیگنال EEG که با توجه به خصوصیات موجود دیده شده در سیگنال‌های ثبت شده در حین خستگی تولید شده استفاده می‌کنیم. در نتیجه اهداف این پایان‌نامه را می‌توان در موارد زیر خلاصه کرد.
دست یابی به الگوریتمی که بتواند به صورت پیوسته میزان خستگی را مشخص کند.
افزایش صحت و سرعت تشخیص میزان خستگی
علاوه بر این با توجه به رابطه‌ای که خستگی و خواب با هم دارند در صورت مشخص شدن این رابطه شاید بتوان از آن در درمان بیماری‌هایی مانند اختلال خواب و بیماری‌های مشابه دیگر استفاده کرد.
نگاهی به فصول پایان نامه
مطالب عنوان شده در این پایان‌نامه در قالب پنج فصل آورده شده‌اند. ادامه مطالب ذکر شده را می‌توان در موارد زیر خلاصه نمود.
فصل دوم. پیشینه تحقیقات
در این فصل مهمترین کارهای پیشین که تاکنون، برای بررسی خستگی ذهنی انجام شده به همراه خصوصیات آنها مورد مطالعه و بررسی قرار گرفته است.
فصل سوم. روش تحقیق
در این فصل ابتدا روش حدف نویز از داده‌های ثبت شده توضیح داده می‌شود. سپس یکی از روش‌های مکان یابی و مشکلات آن توضیح داده می‌شود. پس از آن روشی برای بهبود مکان یابی منابع پیشنهاد می‌شود. در نهایت به بررسی روش تعیین خستگی ذهنی می‌پردازیم.
فصل چهارم. آزمایش‌ها و نتایج
در این فصل در ابتدا سیگنال‌های مورد بررسی توضیح داده می‌شود. سپس مراحل مختلف توضیح داده شده در فصل قبل و روش‌های تشخیص خستگی رایج بر روی این سیگنال‌ها اعمال می‌شود. همچنین نتایج حاصل از اعمال این روش‌ها توضیح داده می‌شود.
فصل پنجم. نتیجه‌گیری و پیشنهادات
در فصل آخر مطالب عنوان شده در این پایان‌نامه جمع‌بندی شده و در مورد آن‌ها بحث می‌شود. سپس پیشنهادات و مسیرهایی برای ادامه و گسترش این تحقیق در پژوهش‌های آینده، ارائه می‌گردد.
فصل دومپیشینه تحقیقات

2- پیشینه تحقیقات
از 200 سال پیش، متخصصان مغز و اعصاب به دنبال مشخص کردن وظایف و فعالیت‌های انجام شده در مغز انسان بوده‌اند. اعتقاد بر این بود که فعالیت‌های مختلف مغز شامل مناطق مختلف مغز است. در نتیجه، هدف اولیه آن‌ها مشخص کردن مکان‌هایی از مغز که درگیر اساسی‌ترین کارهایی که انسان ها می‌توانند انجام دهند، مانند شنوایی تعریف شد. با کمک گرفتن از روش‌هایی مانند آناتومی، بسیاری از مناطق مربوط به این فعالیت‌ها کشف شدند [11].
تنها دانستن مسئولیت مناطق مغز محققان را راضی نکرد و محققان در حال حاضر بیشتر به بررسی آنچه در مغز می‌گذرد و یا اینکه حالت ذهنی آن چیست می‌پردازند. یکی از این موارد مفهوم خستگی ذهنی است که توسط گرندجین در سال 1981 معرفی شد.
خستگی پدیده‌ای طبیعی در زندگی روزانه ما به شمار می‌آید. به طور کلی خستگی به دو گروه خستگی فیزیکی و ذهنی تقسیم می‌شود. خستگی فیزیکی به معنی کاهش قدرت اجرایی در سیستم ماهیچه‌ای و خستگی ذهنی به معنی تضعیف در قدرت اجرایی در اثر کاهش در هوشیاری ذهنی است [1]. کار بر روی عمل خاصی برای مدت زمان قابل توجه منجر به خستگی ذهنی می‌شود که بر روی عملکرد فرد در آن کار اثر می‌گذارد [12]. یک مطالعه تازه حاکی از آن است که راننده پس از رانندگی در مسافت طولانی ممکن است با چشم باز بخوابد و فرد می‌تواند به نظر هیجان زده برسد در حالی که خسته است. از این رو مشخص کردن میزان خستگی فرد، در کاهش چنین تصادفاتی و همچنین افزایش قدرت عملکرد افراد ضروری به نظر می‌رسد.
از زمان معرفی مفهوم خستگی، در زمینه تشخیص آن روش‌های متفاوتی مورد بررسی قرار گرفت. این متودها را می‌توان در دوگروه طبقه بندی کرد:
روش‌هایی که بر پایه تغییرات در قدرت آگاهی فرد، در زمان پاسخ گویی، میزان دقت فرد در انجام کار خاص و چیزهایی مشابه دیگر استوار هستند. مشکل اساسی در این روش‌ها در این است که چنین تغییراتی لزوماً مشخص کننده خستگی در افراد نمی‌باشند به طور مثال میزان دقت افراد در انجام دادن کاری خاص تحت تاثیر عواملی دیگر مانند تجربه فرد در انجام آن کار نیز قرار می‌گیرد.
روش‌هایی که بر پایه سیگنال‌های حیاتی مانند EEG، EOG و ECGعمل می‌کنند.
در بین این روش‌ها به نظر می‌رسد سیگنال EEG مشخص کننده بهتری از میزان خستگی است و قدرت پیش بینی بیشتری در تشخیص خستگی مغزی دارد [5]. برای اولین بار در سال 1999 از سیگنال EEG برای مشخص کردن میزان خستگی استفاده شد [13]. در این روش تنها از یک کانال EEG برای مشخص کردن سطح خستگی استفاده شده بود، به این ترتیب که خروجی آن در هر لحظه عددی بود که با افزایش خستگی مقدار آن افزایش می‌یافت. اما از آنجا که این روش تنها از یک کانال سیگنال EEG برای مشخص کردن خستگی استفاده می‌کرد و با توجه به ماهیت پیچیده سیگنال EEG و خستگی مغزی، این الگوریتم به خوبی مشخص کننده خستگی نبود. پس از آن روش‌های متفاوتی برای بررسی خستگی مطرح شدند که هر یک از استراتژی متفاوتی استفاده می‌کنند.
در ادامه ابتدا روش‌های متفاوتی که برای مشخص کردن میزان خستگی موجود است توضیح داده می‌شود. سپس در مورد تاریخچه و همچنین روش ثبت سیگنال EEG توضیح داده می‌شود.
روش‌های موجود برای تشخیص میزان خستگی
این روش‌ها از ساختارهای متفاوتی برای استخراج ویژگی استفاده می‌کنند که در ادامه به بررسی برخی از این روش‌ها می‌پردازیم.
روش‌های مبتنی بر تحلیل طیف سیگنال EEG
در این روش‌ها تغییرات در سیگنال EEG در چهار باند فرکانسی زیر برای تشخیص میزان خستگی مورد بررسی قرار می‌گیرد:
امواج دلتا: شامل تمامي امواج كمتر از 4 هرتز هستند. این امواج زمانی که شخصي در خواب عميق است، در شيرخوارگي و در بيماري‌هاي وخيم و ارگانيك مغزي ايجاد مي‌شوند. اين امواج همچنين در قشر مغز حيواناتي كه در اثر قطع عرضي زير قشري، قشر مغزشان از تالاموس جدا شده است نیز مشاهده مي‌شود.
امواج تتا: فركانس اين امواج بين 4-8 هرتز است. اين امواج عمدتاً در نواحي آهيانه اي و گيجگاهي در اطفال ايجاد مي‌شوند. همچنین این امواج ممكن است در طي پريشاني و نااميدي در افراد بالغ نيز ايجاد شود. اين امواج در بسياري از اختلالات مغزي و اغلب در حالات مغزي دژنراتیو اتفاق مي‌افتند.
امواج آلفا: امواج ريتميكي هستند که فركانس آن‌ها بین 8-13 هرتز می‌باشد و در افراد نرمال در زمان بيداري كامل و حالت استراحت مغزي يافت مي‌شوند. اين امواج با شدت بيشتري در ناحيه پس سري ايجاد مي‌شوند، اما مي‌توان آن‌ها را از نواحي آهياني و پيشاني جمجمه نيز ثبت نمود. در طي خواب عميق، امواج آلفا ناپديد مي‌شوند. وقتي توجه فرد بيدار به سمت برخي از انواع خاص فعاليت‌هاي مغزي معطوف مي‌شود، امواج بتا كه امواج غير سنكرونيزه و داراي تواتر بيشتر و دامنه پايين‌تر هستند، جايگزين امواج آلفا مي‌شوند.
امواج بتا: داراي فركانس بين 14-20 هرتز هستند. اين امواج هميشه از نواحي آهيانه‌اي و پيشاني جمجمه در طي فعاليت زياد سيستم عصبي يا در تنش‌هاي عصبي ایجاد مي‌شوند.
الگوریتم‌های مختلفی با در نظر گرفتن ویژگی‌های مختلف در این چهار باند به بررسی خستگی پرداخته اند.
از جمله این الگوریتم‌ها می‌توان به روشی که توسط لعل و همکارانش در سال 2002 ارائه شد اشاره کرد [9] که در آن تغییرات در این چهار باند فرکانسی در سیگنال EEG مورد بررسی قرار گرفت. سپس در هر باند از متوسط دامنه سیگنال EEG برای سطح بندی کردن میزان خستگی استفاده شد. در این روش، اندازه دامنه به عنوان مجموع همه دامنه‌ها (فعالیت EEG) در محدوده باند های فرکانسی تعریف شده بود. همچنین سیگنال EEG خستگی با توجه به تجزیه و تحلیل‌های ویدیویی تغییرات ویژگی‌های صورت به 5 مرحله طبقه بندی شده بود. لعل و همکاران گزارش کردند که فعالیت دلتا و تتا به میزان قابل توجهی در طول انتقال به خستگی به ترتیب 22٪ و 26٪ ، افزایش می‌یابد. آن‌ها همچنین به این نکته رسیدند که افراد در هر یک از 5 فاز برای 2-3 دقیقه به طور متوسط ​​باقی ماندند.
در تعدادی از روش‌های دیگر، استخراج ویژگی‌ها با به دست آوردن چگالی طیف توان توسط تبدیل فوریه سریع برای سیگنال EEG محاسبه می‌شود. پس از آن چهار ویژگی برای مشخص کردن چگالی طیف توان انتخاب شده‌اند که تعاریف آنها به شرح زیر است:
فرکانس پیک با بزرگترین متوسط دامنه در محدوده از آن پیک تا جایی که دامنه به نصف مقدار دامنه آن فرکانس می‌رسد (DF).
متوسط دامنه‌ای که برای پیک مرحله قبل به دست آمده است (APDP).
فرکانسی که انتظار داریم بیشترین انرژی حول آن اتفاق افتاده باشد (CGF).
تغییرات یا واریانس در حوزه فرکانس که نشان دهنده واریانس در بعد فرکانس است(FV).
از آن جا که در این روش بعد ویژگی سیگنال بالا می‌باشد از روش‌های مختلف برای کاهش بعد استفاده می‌شود که صحت این روش‌ها به این الگوریتم بستگی دارد [9]. به عنوان مثال در روشی که توسط شن و همکارانش اراﺋﻪ شد، مشخص شد که کدام یک از ویژگی‌های بالا و در چه باند فرکانسی، بهترین ویژگی برای هر کانال به شمار می‌آیند. به طور مثال همانطور که در شکل 2-1 دیده می‌شود در بیشتر کانال‌ها ویژگی دوم بهترین ویژگی می‌باشد. همچنین آنها نشان دادند که روش‌های کاهش بعد متفاوت ممکن است به تعداد ویژگی‌های متفاوتی نیاز داشته باشند. به طور مثال یک روش کاهش بعد با 17 ویژگی ممکن است جواب بهینه تولید کند در حالی که روش دیگر با 60 ویژگی جوابی بهینه بدهد.
علاوه بر مشکل بالا، مشکل این گونه روش‌ها این است که تفسیر نتایج حاصل از این روش ها دشوار می باشد. همچنین تفسیر نتایج حاصل در این الگوریتم‌ها از آنجا که باید تعامل چهار باند فرکانسی را در نظر بگیرند پیچیده می‌باشد.

شکل 2-1) انتخاب بهترین ویژگی‌ها در روشی مبتنی بر طیف سیگنال. در اینجا مشخش شده است که کدام یک از ویژگی‌های FV، APDP، CGF و DF و در چه باند فرکانسی، بهترین ویژگی برای هر کانال به شمار می‌آیند [14].
روش‌های مبتنی بر تحلیل تغییرات در آنتروپی سیگنال EEG
اساس این گونه روش‌ها بر مشخص کردن و دنبال کردن تغییرات در آنتروپی و پیچیدگی موجود در سیگنال EEG می‌باشند. روش‌های مختلفی برای مشخص کردن این تغییرات وجود دارد. برخی از این روش‌ها این محاسبات را به طور مستقیم انجام می‌دهند و برخی پیچیدگی را در فضای حالت محاسبه می‌کنند.
به عنوان مثال در روشی که توسط لیو و همکارانش اراﺋﻪ شد [16] از دو نوع آنتروپی به نام‌های آنتروپی تقریبی (ApEn) [17-20] و کولموگروف آنتروپی (KC) [21] استفاده کردند.
ApEn یک روش مفید برای اندازه گیری پیچیدگی است که به طور گسترده‌ای در سری‌های مختلف زمان بیولوژیکی به کاربرده می‌شود. این الگوریتم به یک سیگنال یک عدد نامنفی اختصاص می‌دهد که عدد بزرگتر یچیدگی بالاتر را نشان می‌دهد در حالی که مقادیر کمتر نشان دهنده رفتار ریتمیک‌تر از آن سیگنال است.
KC شاخص شناخته شده است که می‌تواند تغییرات در پیچیدگی سیگنال EEG را اندازه‌گیری کند و همچنین می‌تواند به طور موثر نظم و اتفاقی بودن یک سری زمانی را آشکار کند. با توجه به تعریف آن، پیچیدگی یک سیگنال صفر و یک داده شده توسط تعداد بیت‌های کوتاهترین برنامه کامپیوتری که می‌تواند این سیگنال را تولید کند مشخص می‌شود تعیین می‌شود. یک الگوریتم پیشنهاد شده که KC را به خوبی توصیف می‌کند سری زمانی را با کمک یک آستانه تبدیل به یک دنباله باینری می‌کند. هنگامی که سری زمانی کمتر از آستانه باشد صفر و هنگامی که آن بزرگتر از این آستانه است یک در نظر گرفته می‌شود. پس از آن، دنباله باینری اسکن شده است و هر زمان که یک توالی جدید از اعداد متوالی در داده موجود باشد پیچیدگی اندازه گیری شده یک واحد افزایش می‌یابد.
لیو و همکاران پس از اعمال دو پارامتر ApEn و KC قبل و بعد از خسته شدن فرد به این نتیجه رسدند که پیچیدگی سیگنال پس از خسته شدن فرد در بعضی از باند‌های فرکانسی به ویژه آلفا و بتا افزایش می‌یابد. نتیجه اعمال این مقادیر بر سیگنال‌های گرفته شده توسط آنها در قبل و بعد از خستگی در شکل 2-2 دیده می‌شود. این شکل متوسط مقدار این پارامترها را در باندهای فرکانسی آلفا و بتا برای افراد مختلف و برای کانال‌های مختلف مورد استفاده شده برای ثبت سیگنال قبل و بعد از خسته شدن افراد نشان می‌دهد.
البته در این روش نیز بعد ویژگی سیگنال بالا می‌باشد و در نتیجه نیاز به روش‌های کاهش بعد در داده می‌باشد که بدون آن صحت این الگوریتم‌ها کم می‌باشد. همچنین این صحت به روش مورد استفاده برای کاهش بعد بستگی دارد.

شکل 2-2) مقایسه پارامترهای ApEn و KC برای دو باند فرکانسی آلفا و بتا و در دو حالت قبل و بعد از خستگی. قسمت الف و ج مقدار متوسط ApEn و قسمت ب و د مقدار متوسط KC را نشان می‌دهد. این مقادیر با گرفتن متوسط مقادیر این پارامترها برای تمام افراد مورد آزمایش بر روی کانال‌های مختلف به دست آمده است [16].
لیو و همکارانش نیز با کاهش بعد به صحت نسبتاً خوبی رسیدند. نتایج این روش مشخص کرد که با افزایش میزان خستگی در فرد مقادیر این دو پارامتر کاهش پیدا می‌کند، که نشان دهنده کاهش در پیچید‌گی سیگنال با افزایش خستگی می‌باشد.
روش‌های مبتنی بر تحلیل نظم منطقی بین نواحی مختلف مغز
تعدادی از متودها سعی در تقسیم مغز به نواحی مختلف و مشخص کردن نظم منطقی بین آن‌ها دارند [22]. به عنوان مثال می‌توان از نظم منطقی تابعی از زمان که بین سیگنال‌های ثبت شده توسط الکترودهای مختلف وجود دارد استفاده کرد [23]. نظم منطقی معمولاً به صورت یک گراف دو بعدی که در آن گره‌ها نشان دهنده الکترودها و یال‌ها نشان دهنده نظم منطقی بین سیگنال ثبت شده توسط الکترودها است نمایش داده می‌شود. نمونه ای از این گراف در شکل 2-3 دیده می‌شود که نظم منطقی را بین 59 الکترود نشان می‌دهد. در این شکل خطوط کم رنگ نشان دهنده وجود هماهنگی بیشتر از یک آستانه مشخص بین سیگنال دو الکترود است، خطوط خاکستری تیره نشان دهنده الکترود‌هایی هستند که هماهنگی بین آن‌ها جز 10 درصد بالای مقادیر هماهنگی هستند و به همین ترتیب خطوط سیاه نشان دهنده 1 درصد بالای این مقادیر هستند. سپس می‌توان از این نمایش برای مشخص کردن تفاوت‌ها بین سطوح مختلف خستگی استفاده کرد. مثلاً می توان برای هر فرد این گراف را در طول زمان و برای بازه‌های فرکانسی متفاوت رسم کرد و از تفاوت آن‌ها برای مشخص کردن میزان خستگی استفاده کرد.
اما زمانی که تراکم الکترودها زیاد می‌شود تعداد زیادی از یال‌های گراف مورد نظر روی هم می‌افتند و در نتیجه تفسیر آن مشکل می‌شود [24 و 25]. مشکلات دیگر این روش پیدا کردن نواحی مرتبط (مجموعه ای از الکترودها) و همچنین یافتن نظم منطقی بین این نواحی مختلف می‌باشد.
روش‌های مبتنی بر دادن تحریک به فرد در حین فعالیت
استفاده از تحریک مثلاً تحریک‌های شنوایی یا بینایی و سپس استخراج آن از سیگنال EEG را می‌توان راه دیگری برای تشخیص خستگی به شمار آورد [26]. P300 که یکی از اجزای مهم پتانسیل استخراج شده توسط تحریک می‎باشد می‎تواند در تعیین میزان خستگی به کار رود. تعدادی از این متودها سعی در استخراج این جز با کمک روش‌هایی مانند جداسازی کور منبع دارند [27].
جداسازی کور منبع تکنیکی برای بدست آوردن منابع ناشناخته سیگنال از روی ترکیبی شناخته شده، بدون داشتن هیچگونه دانشی از فرآیند ترکیب می‌باشد. مشکل این روش‌ها در این است که بر اساس فرضیاتی استوار هستند که ممکن است در حالت کلی برقرار نباشند برای مثال ممکن است نیاز به ایستا بودن داده‌ها داشته باشند.

شکل 2-3) نظم منطقی بین 59 الکترود. در این شکل خطوط کم رنگ نشان دهنده وجود هماهنگی بیشتر از یک آستانه مشخص بین سیگنال دو الکترود است، خطوط خاکستری تیره نشان دهنده الکترودهایی هستند که هماهنگی بین آن‌ها جز 10 درصد بالای مقادیر هماهنگی هستند و به همین ترتیب خطوط سیاه نشان دهنده 1 درصد بالای این مقادیر هستند [22].
تاریخچه و نحوه ثبت سیگنال EEG
سیگنال EEG حاصل پتانسیل ایجاد شده از فعالیت الکتروفیزیولوژیکی گروهی از سلول‌های عصبی مغز که قابل اندازه‌گیری است می‌باشد. این امواج حاوی اطلاعات مهمی از فعالیت الکتریکی لایه‌های فوقانی مغز و شاخه‌هاي دندريتي سلول‌هاي هرمي واقع در زير جمجمه می‌باشد. تغييرات پتانسيل ثبت شده مغزي معادل با جمع فعاليت‌هاي الكتريكي تمامي نرون‌هاي مغزي است که فركانس اين امواج در محدوده تقريبي بين 0.5 تا ١٠٠ هرتز است و مشخصات آن وابسته به درجه فعاليت كورتكس می‌باشد. با توجه به محل ثبت این پتانسیل‌ها EEG به دو دسته سطحی و درون مغزی طبقه بندی می‎شود.
برای ثبت EEG سطحی، الکترودها بر روی سطح جمجمه قرار می‌گیرند و باید بین الکترودها و سطح سر تماس الکتریکی و مکانیکی مناسبی برقرار شود. این اتصال توسط الکترولیت برقرار و با استفاده از ژل‌های هادی اتصال مکانیکی بهتری جهت انتقال امواج ایجاد می‌شود. برای بهبود اتصال الکتریکی نیز باید قطرات عرق، چربی‌های روی پوست و لایه مرده پوست برداشته شود.
EEG درون مغزی توسط الکترودهای خاصی که با عمل جراحی درون مغز قرار داده شده‌اند، ثبت می‌شوند. برای ثبت صحیح ولتاژ نورون های مغزی، الکترودهایی با امپدانس کمی (کمتر از 5 کیلو اهم) به کار برده می شوند.
همانطور که اشاره شد ثبت سیگنال توسط الکترودهای قرار داده شده بر روی سطح سر انجام می‌گیرد که تعداد این الکترودها متغیر است. هانس برگر که برای اولین بار سیگنال EEG را از سطح جمجمه انسان ثبت کرد، الکترودها را در قسمت جلو و عقب سر قرار داده بود. او از این روش ثبت برای چندین سال استفاده می‌کرد. اما بعدها کشف شد که فعالیت‌های مغری در موقعیت‌های مختلف متفاوت است.
در اوایل 1930 با افزایش تعداد آزمایشگاه‌های ثبت و بررسی EEG پیشرفتی سریع در روش‌ها و نحوه تفسیر فعالیت‌های ثبت شده از این سیگنال به دست آمد. بعدها امکان ثبت همزمان از مناطق مختلف سطح سر میسر شد که با کمک آن حضور فعالیت‌های محلی مانند ریتم کشف شد. در ادامه این مطالعات، تلاش‌های بیشتر برای قرار دادن الکترودها در نقاطی که امکان مشاهده نوعی خاص از فعالیت‌ها بیشتر است افزایش یافت. با پیدایش دانش شناسایی و استخراج الگوهای جدید، تلاش‌های بیشتری برای جدا سازی و ایجاد تمایز بین الگوها و پیدا کردن محل مناسب قرار گیری الکترودها ادامه یافت. با مشاهده اینکه فعالیت‌های مختلف به طور همزمان اتفاق می‌افتند، محققان به فکر استفاده از الکترودهای بیشتر برای ثبت همزمان سیگنال‌ها در یک لحظه از زمان کردند.
کمیته فدراسیون بین‌المللی انجمن‌های الکتروانسفالوگرافی و نوروفیزیولوژیکی کلینیکی (IFSECN) روش استانداردی برای قرار دادن الکترودها بر روی سطح سر ارائه کردند که سیستم بین المللی 10-20 نامیده می‌شود. این سیستم برای داشتن امکان مقایسه نتایج ثبت امواج مغزی در سال 1949 معرفی شد. در این اندازه‌گیری قبل از آن نیز در بسیاری از سیستم‌ها انجام می‌شد، اما معمولاً فاصله استاندارد بین الکترودها برای هر بیمار متغییر بود. در سیستم بین المللی 10-20 از نقاط آناتومیکی خاصی به عنوان نشانه استفاده و امکان پوشاندن تقریباً تمام نواحی سر با الکترودها را فراهم می‌کند. انتخاب محل الکترودها بر اساس نقاط ویژه استخوان جمجمه انجام می‌پذیرد و الکترودها در نواحی تلاقی سطوح استخوان جمجمه قرار می‌گیرند و سایر الکترودهای میانی نیز بر اساس 10 و 20 درصد کل فاصله، چیده می‌شوند.
سازگاری و تکرار‌پذیری این روش باعث استفاده از آن در آزمایشات متفاوت به ویژه در کودکان در حال رشد و مطالعات در زمینه اندازه‌گیری پتانسیل‌های برانگیخته شده است. نمونه‌ای از محل الکترودها در سیستم 10-20 که در این پایان‌نامه نیز از آن استفاده شده در شکل 2-4 دیده می‌شود. در این نمونه از 30 الکترود برای ثبت سیگنال استفاده شده است. شماره کانال ها (از 1 تا 30) به ترتیب زیر (FP1 ، FP2 ، F3 ، F4 ، FC3 ، FC4 ، C3 ، C4 ، CP3، CP4 ، P3 ، P4 ، O1 ، O2 ، F7 ، F8 ، FT7 ، FT8 ،T3 ، T4 ، TP7 ، TP8 ، T5، T6 ، FZ ، FCz ، CZ ، CPz ، PZ) می‌باشد. نام گذاری هر الکترود با توجه به لوبی که در آن قرار گرفته است و همچنین قرار داشتن در نیم کره چپ یا راست مشخص می‌شود.
برای ثبت سیگنال از روی الکترودهای نصب شده در سر سه روش وجود دارد.
ثبت دو قطبی: در این روش، ثبت سیگنال‌های مغزی به صورت اندازه‌گیری اختلاف پتانسیل دو نقطه از سطح جمجمه است. در ثبت دو قطبی یکی از الکترودها به صورت فعال و دیگری به صورت مرجع در نظر گرفته شده و به یک نوبت تقویت کننده تفاضلی وصل شده و اختلاف پتانسیل بین دو کانال اندازه گیری می‌شود. این نوع ثبت بیشتر برای بررسی مناطق متقارن و مقایسه یک طرف سر با طرف دیگر آن استفاده می‌شود.

شکل 2-4) مکان الکترودها که با اسم هر الکترود مشخص شده است. مکان آن‌ها بر اساس سیستم 10-20 انتخاب شده است. ثبت با الکترود مرجع: در این روش ثبت اختلاف پتانسیل میان یک الکترود فعال که روی فرق سر قرار داده شده (الکترود جمجمه) و یک الکترود غیر فعال که معمولاً در نقطه ای دور از مغز (مثلاً روی گوش، بینی یا چانه ) قرار می‌گیرد و الکترود خنثی یا مرجع نامیده می‌شود (هر دو الکترود به تقویت کننده تفاضلی وصل می‌شوند) انجام می‌گیرد. به عبارتی تمامی کانال‌ها نسبت به یک مرجع یکسان اندازه‌گیری می‌شوند. در برخی موارد، الکترود مرجع خاصی وجود ندارد بلکه ولتاژ مرجع از متوسط گیری ولتاژ تمامی کانال‌ها حاصل می‌شود. هنگامی که همه الکترودها به یک الکترود مشترک مرجع داده و آن الکترود فعالیت الکتریکی مغزی کمتری داشته باشد، معمولاً ثبت تک قطبی نامیده می‌شود. اما در ثبت با مرجع، تقریباً غیر ممکن است که یکی از الکترودها (مانند ثبت تک قطبی)، کاملاً خنثی تلقی شود. این نوع ترکیب هنگامی که عدم تقارن، علت اصلی غیر طبیعی بودن فعالیت مغزی است، مفید است. زیرا قرار دادن الکترودهای قابل مقایسه در شرایطی یکسان، امکان مشاهده و آشکار سازی اختلافات دقیق و ریز دو طرف را میسر می‌سازد. در اکثر موارد امواج مشاهده شده فقط به علت عدم تقارن، غیر طبیعی محسوب می‌شوند.
ثبت متوالی با مرجع: ثبت متوالی با مرجع نیز روش دیگر الکترود گذاری است که امکان مقایسه بین نیمکره‌ها را فراهم می‌کند. در این ثبت الکترودهای گیج گاهی چپ با مرجعی در گوش راست و همچنین الکترودهای گیجگاهی راست با الکترودهای واقع در گوش چپ در نظر گرفته می‌شوند. در این حالت الکترودهایی که قرار است با هم مقایسه شوند دارای شرایط یکسان نبوده و این امکان مقایسه اختلافات ریز و دقیق را دچار مشکل می‌کند.
ثبت دو قطبی، فعالیت نورون‌ها را در ناحیه محصور بین دو الکترود و با قدرت بیشتری اندازه گیری می‌کند در حالی که در ثبت با الکترود مرجع ثابت، فعالیت مغز درست در محل نصب الکترود و با شدت بیشتری اندازه گیری می‌شود. لذا زمانی که بررسی فعالیتی به صورت منطقه ای مدنظر باشد، از ثبت دو قطبی استفاده می‌شود، زیرا مزیت آن در صرف نظر کردن از فعالیت و اغتشاشات نواحی دیگر مغزی است [28].
جمع بندی
روش‌های متفاوتی برای تشخیص میزان خستگی اراﺋﻪ شده است. این روش‌ها از روش‌های متفاوتی برای بررسی خستگی استفاده می‌کنند به طور کل در این روند، نتایج بهبود قابل توجه‌ای یافته است. با این حال علی رغم تلاش‌های فراوانی که در این زمینه شده است، هنوز هیچ الگوریتمی نتوانسته است در حالت کلی سطح خستگی را درهر فرد را به صورت تابعی پیوسته در زمان به درستی نشان دهد. همچنین روش‌های متفاوت دارای محدودیت‌های متفاوتی از جمله پپچیدگی بالا هستند. در نتیجه هدف این پروژه بهبود روش‌های موجود با به کارگیری روشی متفاوت می‌باشد.
فصل سوم
روش تحقیق

3- روش تحقیق
مقدمه
روش‌های متفاوتی برای بررسی خستگی از روی سیگنال EEG معرفی شده‌اند اما این روش‌ها دارای محدودیت‌هایی هستند. همچنین بررسی مقالات اخیر در این زمینه نشان می‏دهد که روش‎های مختلف سعی در یافتن شاخصی دارند که هر چه بهتر بتواند سطح خستگی را نشان دهد، اما در این راستا تعداد بسیار کمی از مقالات به بررسی رابطه بین مکان منابع خستگی و میزان خستگی به صورت پیوسته در حین فعالیت ذهنی پرداخته‌اند. در نتیجه هدف ما در این پروژه مشخص کردن میزان خستگی در افراد با کمک مکان یابی منابع خستگی و همچنین توان این منابع در حین فعالیت ذهنی می‌باشد.
روش کار در این پایان‌نامه این است که ابتدا تعداد منابع با کمک روشی که توضیح داده می‌شود تخمین زده می‌شود. سپس مکان منابع تخمین زده می‌شود و در نهایت ویژگی مورد استفاده برای تشخیص خستگی توضیح داده می شود.
از آنجا که ما از سیگنال EEG برای بررسی خستگی استفاده می‌کنیم و نویز‌های متفاوتی بر روی سیگنال EEG اثر می‌گذارند، در این قسمت در مورد این نویزها و نحوه کاهش اثر آن‌ها بحث می‌شود. همچنین در این پایان‌نامه از روش پرتوسازی برای مکان یابی منابع استفاده می‌شود. در نتیجه ابتدا در مورد روش مکان یابی مورد نظر توضیح و مشکل آن در مکان یابی منابع توضیح داده می‌شود. پس از آن روش پیشنهادی برای مکان یابی توضیح داده می‌شود. در نهایت در مورد بقیه مساﺋﻞ و ﺗﺌﻮری‌های مورد استفاده در این پروژه به ویژه نحوه استخراج ویژگی از مکان منابع توضیح داده می‌شود.
نویزهای سوار شده بر روی سیگنال EEG و نحوه کاهش اثر آن‌ها
امواج الکتریکی که از روی پوست سر ثبت می‌شوند لزوماً ناشی از فعالیت الکتریکی مغز نمی‌باشند بلکه ممکن است در معرض انواع نویزها و امواج ناخواسته باشند. گاهی انرژی این امواج ناخواسته از انرژی سیگنال تولید شده حاصل از فعالیت‌های الکتریکی بر روی پوست سر بیشتر می‌باشد. در نتیجه این امواج می‌توانند بر نتیجه کار مؤثر باشند و باید پیش از تجزیه و تحلیل سیگنال‌ها به صورت مناسبی پیش پردازش شوند. این امواج می‌توانند منشأ زیستی یا محیطی داشته باشند.
امواج ناخواسته زیستی
تقریباً در بیشتر اوقات داده ثبت شده از الکترودها حاوی این امواج ناخواسته است. تعدادی از امواج ناخواسته معمول به شرح زیرمی باشند:
امواج ناخواسته مربوط به چشم (حرکت چشم یا پلک زدن): امواج ناخواسته مربوط به چشم در اثر اختلاف پتانسیل بین قرنیه و شبکیه ایجاد می‌شود که نسبت به پتانسیل‌های مغزی بزرگتر است. معمولاً همیشه مقدار کمی حرکت چشم وجود دارد که باعث ایجاد پتانسیلی می شود که در قسمت پیشانی قابل تشخیص است.
امواج ناخواسته مربوط به فعالیت ماهیچه‌ها (EMG): حرکت غیر عادی (جهشی) چشم بوسیله ماهیچه‌های چشم ایجاد می‌شود که باعث ایجاد پتانسیل EMG می‌شود. پلک زدن عمدی یا غیر ارادی نیز پتانسیل EMG تولید می‌کند اما مهمتر از آن حرکت غیر ارادی مردمک چشم هنگام پلک زدن است که باعث ایجاد امواج ناخواسته بر روی الکتریکی مغزی می‌شود.
امواج ناخواسته محیطی
علاوه بر امواج ناخواسته که به وسیله بدن بیمار تولید می‌شوند بسیاری از امواج ناخواسته منشأ خارجی دارند. حرکت بیمار یا حتی قرار دادن الکترودها باعث ایجاد ضربه ناگهانی به الکترودها و ایجاد قله‌های آنی در مقاومت الکتریکی الکترود می‌شود. جاگذاری نامناسب الکترودها در هنگام ثبت امواج الکتریکی مغزی نیز می‌تواند باعث تشکیل امواج ناخواسته‌ای شود که باید در هنگام ثبت به این امر توجه داشت.
پیش پردازش
در این پایان‌نامه ابتدا سیگنال‌های ثبت شده توسط یک الگوریتم کارآمد که در [29] شرح داده شده است پیش پردازش می‌شوند. در این روش EOG توسط یک الگوریتم تکرار شونده از سیگنال‌های EEG حذف می‌شود. پس از این روش، سیگنال حاصل توسط یک فیلتر میان گذری (فیلتری که فقط فرکانس‌های محدوده فرکانسی خاصی را عبور می‌دهد) که پهنای باند آن بین 1 تا 48 هرتز است فیلتر می‌شود. در آخرین مرحله، بخشی از داده‌ها که توسط EMG به شدت تحت تأثیر قرار گرفته‌اند برای تجزیه و تحلیل در نظر گرفته نمی‌شوند.
مدل سیگنال
ما مجموعه‌ای از N الکترود که سیگنال EEG را از L منبع ثبت می‌کنند را فرض می‌کنیم و سیگنال اندازه‌گیری شده توسط این الکترودها را با X نمایش می‌دهیم. منابع دو قطبی از طریق ماتریس H با سیگنال اندازه‌گیری شده مرتبط می‌شوند. مدل هادی حجم سر درH گنجانیده می‌شود. بردار اندازه گیری شده EEG را می‌توان به صورت زیر در نظر گرفت:
X= i=1lHqimqi+n (1) که n نویز جمع شونده با سیگنال و Hqi نشان دهنده راه حل رو به جلو در صورت داشتن یک منبع واحد در مکان qi در جهات x و y و z است.
Hq=h1xh1yh1zh2xh2yh2z⋮⋮⋮⋮⋮⋮hNxhNyhNz (2)فعالیت‌های الکتریکی نورون‌ها یک فرآیند تصادفی فرض می‌شود که توسط ورودی‌های خارجی تحت تأثیر قرار می‌گیرند. این مدل گشتاور منبع را به عنوان یک مقدار تصادفی در نظر می‌گیرد و رفتار آن را با میانگین ​​و کواریانس توصیف می‌کند.
mqi=Emqi (3)cqi=Emqi-mqimqi-mqiT (4)
واریانس یک منبع نماینگر قدرت آن منبع است که به صورت زیر تعریف می‌شود.
varqi=trcqi (5)
به طور کلی این روش نسبت به روش‌های دیگر مکان‌یابی در فضای پرتویابی بهتر از روش‌های دیگر عمل می‌کند در نتیجه ما این روش را اساس کار خود قرار داده‌ایم.
انتخاب الکترود مرجع
سؤالات مختلفی در مورد انتخاب الکترود مرجع صحیح در منابع مختلف بحث شده است [30]. مشکل انتخاب مرجع به عنوان یک نقطه ضعف عمده EEG در مقابل MEG در نظر گرفته شده است [31 و 32]. در حالی که مرجع در واقع به شدت شکل موج و تجزیه و تحلیل آن را تحت تاثیر قرار می‌دهد، تا زمانی که به عنوان مرجع به درستی در مدل گنجانده شود، به طور کامل در تجزیه و تحلیل نقشه‌های توپوگرافی و تعیین محل منابع مغزی اثری ندارد. دلیل آن این است که تنظیمات توپوگرافی پوست سر مستقل از الکترود مرجع است. به عنوان مثال گسلوویتز تأثیر الکترود مرجع را این گونه توصیف می‌کند: “انتخاب یک الکترود مرجع خاص، و از این رو دامنه اختصاص یافته به کانتور، به هیچ وجه اطلاعات بیوفیزیکی که در توزیع بالقوه پتانسیلی موجود است را تغییر نمی‌دهد. این کار به هیچ وجه رابطه بین منبع و توزیع بالقوه پتانسیلی را به جز با افزودن یک ثابت بدون اهمیت فیزیکی تغییر نمی‌دهد” [33].
مرجع تنها تغییر خط صفر است. خطوط هم پتاسیل تغییری نمی‌کنند. بنابراین، هر روش تجزیه و تحلیل که توزیع مکانی EEG را در نظر می‌گیرد به طور کامل مستقل از مرجع می‌باشد [34]. این البته مربوط به تبدیل پتانسیل‌های پوست سر به منابع در مغز می‌باشد [35]. شبه ایستایی که پیش فرض الگوریتم راه حل معکوس است فرض می‌کند که منبع خالص در سر صفر است. مرجع یک پتانسیل ثابت به مقدار ثبت شده در هر الکترود در هر لحظه می‌افزاید که منجر به یک منبع خالص غیر صفر می‌شود. به منظور اجتناب از این مشکل، ماتریس داده مرکزی می‌شود، یعنی ثابت آن حذف می‌شود [34]. بنابراین، مرجع متوسط ​​معمولاً به صورت خودکار در الگوریتم محلی سازی منبع محاسبه می‌شود. بنابراین، اگر هدف این است که یک سری تجزیه و تحلیل بر روی یک مجموعه داده‌ها انجام شود که در نهایت شامل تصویربرداری منبع است، بهتر است به خاطر سازگاری مرجع متوسط را در نظر بگیرد. علاوه بر این می‌توان اثر مرجع را با کمک روش زیر حذف کرد [36].
x2= x1+c1 (6)xf=tTx (7)tTx2=tTx1 (8)rankt=N-1 (9)
که در روابط بالا x1 و x2 پتانسیل اندازه گیری شده در مجموعه الکترودهای با توجه به الکترودهای مرجع مختلف هستند و 1 برداری از 1 می‌باشد. همچنین c تفاوت نامعلوم در پتانسیل بین دو الکترود مرجع و N تعداد الکترود‌ها می‌باشند و t ماتریسی است که اثر مرجع را از داده حذف می‌کند به این ترتیب که بر بردار 1 عمود است.
مشخص کردن تعداد منابع تولید کننده سیگنال
با توجه به منابع موجود در پردازش سیگنال [37] و بیومدیکال [38 و 39]، مشکل شناسایی تعداد منابع مستقل می‌تواند به عنوان تجزیه و تحلیل ساختار ماتریس کواریانس ماتریس مشاهدات تعریف شود. برای این کار به مفروضات زیر نیاز است:
سری‌های زمانی که از منابع مختلف تولید می‌شوند به صورت خطی مستقل هستند.
تعداد نمونه‌ها هم بیشتر از تعداد الکترودهای ثبت سیگنال است.
تعداد منابع دو قطبی کمتر از تعداد الکترودهای ثبت کننده سیگنال است.
ماتریسHM از مرتبه کامل است [40 و 41].
با توجه به مفروضات فوق ماتریس کواریانس ماتریس مشاهدات می‌تواند به صورت زیر تعریف شود:
C=EXXT (10) C=Cs+Cn (11)
که در آنCs و Cn کوواریانس منابع سیگنال و نویز هستند. مرتبه ماتریس Cs برابر با L و در نتیجه کوچکترین N-L مقادیر ویژه آن برابر با صفر است.
در مورد نویز سفید، ماتریس کوواریانس نویز به صورت زیر قابل توصیف است که فرض شده است نویز در همه کانال‌ها دارای یک مقدار واریانس مساوی می‌باشد:
Cn=σn2I (12)که در آن σn2 ثابت با مقدار نامعلوم وI ماتریس واحد است. بنابراین
C=Cs+σn2I (13)مقادیر ویژه C را می‌توان به صورت λ1≥…≥λk≥λL+1=…=λN=σn2 بیان کرد. در این جا مرتبه زیر فضای نویز برابر با L و کوچکترین N-L مقادیر ویژه ماتریس کوواریانس مشاهدات با σn2 برابر است. متاسفانه، کواریانس معمولاً به صورت دقیق قابل محاسبه نیست. در عوض، کوواریانس داده‌ها که از یک مجموعه محدود نمونه تخمین زده می‌شود باید مورد استفاده قرار گیرد. در این حالت، تمام مقادیر ویژه متفاوت هستند. به منظور جستجو برای کوچکترین مقادیر ویژه، یک راه بهتر این است که تعیین تعداد منابع از مجموعه اندازه گیری محدود، با استفاده از روش‌های تئوری اطلاعات انجام شود [38 و 39].
معیار تئوری اطلاعات از دو بخش تشکیل شده است. بخش اول، تابع احتمال به نمایندگی از اطلاعات حاصل از داده‌های اندازه گیری شده است که وابسته به تعداد پیش بینی شده از منابع است. بخش دوم، میزان جریمه، که تابع تعداد نقاط داده در حوزه زمان است. این برآورد با تعداد پارامترهای آزاد در مدل احتمال افزایش می‌یابد و نشان دهنده مجازات برای عدم قطعیت معرفی پارامترهای ناشناخته است. بنابراین معیار تئوری اطلاعات برای تعیین تعداد سیگنال‌ها به طور کلی می‌تواند به صورت زیر بیان شود:
IC= -log⁡(fXΞk+Cfw.pf (14)که f(.) یک خانواده از توابع چگالی احتمال شرطی (PDF) وابسته به تعداد پیش بینی شده سیگنال است. X مجموعه‌ای از مشاهدات است، Ξk عملکرد سیستمی با K پارامتر است، Pf تعداد پارامترهای آزاد و Cf(w)ضریب عملکرد جریمه است، که وابسته به تعدادی نمونه‌های سیگنال می‌باشد [38].
بر اساس مدل سیگنال، مقدار IC به دست آمده توسط این روش را می‌توان از مقادیر ویژه λi به شرح زیر محاسبه کرد:
IC=wm-klog1m-ki=k+1mλi- wi=k+1mlogλi+2dk,mCfw (15)dk,m=k2m-k+12 (16)که در روابط بالا k تعداد منابع دو قطبی می‌باشد. در اینجا، میزان نویز ناشناخته است و از مقادیر ویژه ماتریس کواریانس مشاهدات تخمین زده می‌شود. مرجع [38] توسعه یافته این رویکرد و پیشنهاد معیاری بر اساس توزیع مقادیر ویژه نویز است. بر اساس مدل سیگنال، مقدار IC همچنین می‌تواند از مقادیر ویژهλi به شرح زیر محاسبه شود:
IC=-(w-k-1-2m-k2+m-k+26m-k +i=1kλm-k2λi-λm-k.log⁡(λm-k-(m-k)i=k+1mλi)-2dk,mcfw-1 (17)dk,m=km-k+2m-k-12 (18)تعدادی از توابع مجازات بر اساس AIC گزارش شده است [42]. در مطالعه حاضر، ما ازیکی از توابع جریمه زیر استفاده می‌کنیم:
c1=2, c2=2loglogh,logh,2logh,3logh h=w or w-1 (19)با توجه به توضیحات داده شده الگوریتم برای تشخیص تعداد منابع مستقل از EEG شامل مراحل زیر است:
محاسبه ماتریس کواریانس C از روی ماتریس داده‌های اندازه گیری شده.
با استفاده از SVD، C تجزیه و تمام مقادیر ویژه آن مانند λ1≥…≥λm محاسبه می‌شود.
معیار تئوری اطلاعات با مقادیر ویژه ماتریس کواریانس محاسبه می‌شود.
تعداد منابع با معیار حداقل اطلاعات که نشان دهنده کمترین تعداد منابعی است که می‌تواند سیگنال تولید شده را توصیف کند، به عنوان تعداد برآورد شده از منابع انتخاب می‌شود.
مکان یابی در فضای پرتوسازی
رویکرد پرتو سازی از پردازش سیگنال رادار و سونار نشأت گرفته و سپس برای تجزیه و تحلیل سیگنال‌های حیاتی به کار برده شد. این رویکرد یک ترکیب خطی از مشاهدات را با هدف تخمین فعالیت در یک قسمت از مغز با به حداقل رساندن تداخل دیگر منابع که به طور همزمان با آن فعال می‌شوند به دست می‌آورد. به عبارت دیگر این روش سعی نمی‌کند که کل اندازه‌گیری میدان را توضیح دهد. در عوض سهم یک نقطه را در اندازه‌گیری برآورد می‌کند. درEEG پرتوسازی می‌تواند فعالیت الکتریکی را در یک منطقه خاصی از مغز نشان دهد، در حالی که سهم فعالیت را در مناطق دیگر مغز کاهش می‌دهد.
اساس این الگوریتم‌ها بر اساس ساخت یک فیلتر مکانی (مانند شکل 3-1) است که مشارکت همه منابع به جز منبع مورد نظر را بلوک می‌کند. به همین دلیل، تخمین گر بهینه ساز یک تابع هدف است که نشان دهنده نسبت میان فعالیت و نویز در نقطه هدف است. این تابع ممکن است اطلاعات پیشینی در مورد منبع و داده‌ها به عنوان مثال توسط یک ماتریس کواریانس داشته باشد. همچنین رفتار هر پرتوساز با کمک نحوه انتخاب ضرائب و در نتیجه ترکیب کردن مشاهدات بستگی دارد.

شکل 3-1) فیلتر مکانی در الگوریتم‌های پرتوسازی. اساس این الگوریتم‌ها بر اساس ساخت یک فیلتر مکانی است که مشارکت همه منابع به جز منبع مورد نظر را بلوک می‌کند.
فیلتر کردن فضایی با محدودیت کمترین واریانس(LCMV)
در این روش [43 و 44]، فیلتر فضایی به عنوان جمع وزن داری از داده‌های ثبت شده در سایت‌های مختلف عمل می‌کند. وزن انتخاب شده واریانس خروجی فیلتر را با توجه به یک محدودیت خطی مینیمم می‌کند. محدودیت خطی فیلتر باعث می‌شود فعالیت الکتریکی



قیمت: 10000 تومان

متن کامل در سایت homatez.com

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *